在人工智能领域，文本音频生成技术正逐渐成为研究的热点。最近，研究者们推出了一款名为 TANGOFLUX 的全新模型，该模型在性能和效率上均表现出色。TANGOFLUX 是一种高效的文本到音频生成模型，拥有515百万个参数，能够在短短3.7秒内生成最长可达30秒的44.1kHz 音频，这一速度让其在单个 A40GPU 上的表现非常出色。TANGOFLUX主要是特色是可以生成各种音效，例如鸟叫、口哨、爆炸等声音，另外也支持生成音乐不过效果就不那么理想了。文本音频生成模型的一个主要挑战在于如何创建偏好配对。